我见过两家仓，在 AI 上栽了同一个跟头。
第一家在加州内陆帝国，二十多万平方英尺的 3PL 仓。2024 年开年，老板去听了一场峰会，回来就签了一套 AI 视觉质检：出货口架几个摄像头，号称自动识别贴错的标签、破损的纸箱。演示做得漂亮极了。真上线才发现，他们家一半是异形件，纸箱尺寸五花八门，模型在标准箱上准得吓人，换到不规则托盘就天天误报。三个月后，工人学会的第一件事就是无视警报。这套系统现在还挂在墙上，没人看。
第二家仓小一半，纯人工拣选。他们的 IT 负责人没买任何 AI 产品，只是把 WMS 里三年的订单数据导出来，用开源工具搭了个简单的需求预测，指导安全库存和波次合并。没花什么钱，缺货率肉眼可见地往下走。
同一个“AI”，一家栽了，一家成了。差别不在技术多先进，在选型那一步就走错了道。
先别谈 AI，先谈谈你的数据
AI 是喂出来的，喂的是你的数据。数据不行，模型再贵也是摆设。
签任何合同之前，先回答三个问题。第一，WMS 里的主数据全不全？SKU 描述、条码、长宽高重量，缺一块，视觉和预测模型就瞎一块。第二，库位准确率怎么样？账面说有货、库位上找不到，这种“幽灵库存”要是满地都是，就别谈什么 AI 拣选路径优化，先老老实实盘点。第三，历史数据能不能按天导出来？导不出来，或者导出来全是手工改的表格，后面的事全白谈。
我给客户的土办法：先花两周做一轮全盘，把库位准确率提上来；再把 SKU 主数据缺的字段补齐；然后让 WMS 厂商给你一份数据字典，确认订单、库存、库位三张表能按接口或定时任务导出。这三步做完，你才有资格跟供应商聊 AI。做不完？那钱先花在数据治理上，比买 AI 值。
什么问题值得买，什么问题值得自己造
这是整篇最核心的判断。行业里已经被验证过无数遍的通用问题，买。你的运营 know-how 才是护城河的问题，自己造。
值得买的：AMR 拣选搬运、标准件的视觉质检、语音拣选。这些场景全球几千个仓都在跑，坑早就被别人踩平了。举个例子，Locus Robotics 到 2025 年 4 月累计完成了 50 亿次拣选，Radial 在肯塔基州谢泼兹维尔的仓库一口气上了近 300 台 LocusBot。你买的是别人交过学费的成熟度，自己从零造一套 AMR 出来，成本和周期都划不来。
值得自己造的：补货逻辑、波次策略、客户计费规则。这些东西跟你的客户结构、SKU 特点绑得死死的，买通用产品回来，八成要按你的流程改，改来改去还不如自己写。DHL 当年在荷兰贝尔亨奥普佐姆做过一个有意思的试点：给 10 个拣选员戴智能眼镜做视觉拣选，3 周拣了 2 万多件，效率提升 25%。注意，人家先买的是验证，不是直接买断——先小步验证，再决定投不投，这才是正路。
交付模式也有讲究。AMR 这类重资产，很多厂商走 RaaS（机器人即服务），按月付费，旺季加车、淡季减车，比一次性买断灵活得多。软件类 AI 则要看清是一次性买断还是按年订阅，订阅制下第二年的涨价条款必须现在就谈。
合同里没写这几条，别签字
销售的话术听听就好，落到纸上的才算数。
一是数据归谁。你的订单数据、库存数据拿去训练出的模型，所有权归谁？很多合同默认归供应商，等于你花钱帮别人训练模型。必须写明：原始数据归你，基于你的数据训练出的模型你有永久使用权。
二是 SLA 写进合同。识别准确率、系统可用性，达不到怎么赔？赔的是服务费减免还是直接解约权？口头承诺“我们准确率 99%”没用，白纸黑字才有用。
三是 POC 成功标准。试点跑哪些 SKU、跑几周、达到什么指标算成功、达不到能不能无条件终止，这些要在签大合同之前写死。试点成功标准模糊的项目，我见一个黄一个。
四是涨价和锁定。订阅制第二年涨幅有没有上限？数据导出要不要额外付费？接口调用按量收费的话单价是多少？这些现在不问，两年后都是刀。
签约那天，先把分手想好
没有不分手的供应商，只有没准备的分手。退出预案要在签约时就写好，不是出事了再谈。
数据怎么拿走：要求导出格式是通用格式（CSV 或标准接口），不是供应商的私有格式。过渡期多长：解约后系统继续跑几个月，给你留迁移窗口。交接物有什么：接口文档、数据字典、模型说明，一个不能少。有条件的可以要求源代码或模型做第三方托管，供应商倒闭了你还能拿回来。
另外，签约前心里就要有一份备选供应商名单。真到分手那天，你才有议价权，而不是被按在地上续费。
说到底，verdict 就三句话。
买成品：当你的问题是行业通用问题（拣选、搬运、标准质检），内部没有算法团队，又想几个月内见效。自研：当你的逻辑是核心竞争力（补货、波次、计费），数据别人没有，市面上买不到现成的。租（RaaS）：当订单季节性波动大，你不想一次性投重资产。
明天就能做的一件事：找你的 WMS 厂商要一份数据字典，确认订单、库存、库位数据能不能导出来。导不出来，后面全白谈；导得出来，你才有资格去跟 AI 供应商谈条件。
